基于改进图卷积网络的机床刀尖动力学特征预测方法技术

本发明专利技术公开一种基于改进图卷积网络的机床刀尖动力学特征预测方法，属于数控机床刀尖点动力学特征预测领域。方法包括：选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置‑速度相关刀尖点主模态参数，获得样本数据标签；将有标签的样本数据和无标签的待测数据转换为图结构数据输入到图卷积网络中，得到任意位置‑速度下的刀尖点主模态参数；图卷积网络在图卷积层的基础上通过增加转置图卷积层得到，转置图卷积层用于实现对图卷积层所编码输出的节点特征进行解码，重构损失函数。通过预测的主模态参数可以计算获取刀尖点频响函数，进而计算铣削稳定lobe图来预测加工稳定性。

【技术实现步骤摘要】
基于改进图卷积网络的机床刀尖动力学特征预测方法
本专利技术属于数控机床刀尖点动力学特征预测领域，更具体地，涉及一种基于改进图卷积网络的机床刀尖动力学特征预测方法。
技术介绍
颤振是加工应用中导致表面光洁度差、材料去除率低、噪声过大、刀具磨损增加和机床故障的主要问题。几十年来，人们对加工稳定性进行了大量的研究，其中一种典型的方法是根据稳定性波瓣图选择合适的主轴转速和切削深度组合，以避免颤振的发生。为了获得稳定性波瓣图，首先要确定计算稳定性波瓣图的重要输入之一刀尖频率响应函数。然而，在切削条件下，实际稳定性波瓣图和计算稳定性波瓣图之间经常存在差异。造成这些差异的主要原因之一是切削条件下机床动力学的变化，因为由于离心力、陀螺力矩和温度，主轴转速会影响刀尖频响函数，从而影响主轴轴承的刚度和主轴夹持器刀具的动力学特性。此外，机床运动部件的位置变化会导致机床质量矩阵、刚度矩阵和阻尼矩阵的变化，从而导致刀尖频响函数的不确定性。因此，利用静态某一特定位置的刀尖频响函数计算稳定性波瓣图来表征整个加工空间的加工稳定性，可能会导致不正确的颤振预测。因此，同时考虑位置和速度变化的加工稳定性研究具有重要意义。在整个加工过程中，随着机床位置和速度组合的不断变化，刀尖动力学也会发生变化。如何准确地预测与位置和速度相关的刀尖动力学是颤振抑制中最具挑战性的工作之一。目前，获得刀尖频响函数最受欢迎的测试方法是基于敲击实验的方法。但是，敲击试验只能在机床静态下进行，不能通过冲击试验获得高速时刀尖频响函数。为了解决这一问题，有学者提出了逆稳定方法获得了加工过程中的刀尖频响函数。然而，要逆向求切削过程中刀尖频响函数，首先要进行一系列的颤振试验，得到切削轴向极限深度和颤振频率的实验值。显然，重复所有位置和不同速度的颤振测试是非常费时费力的。为减少试验次数，有学者采用基于有限元模型的方法对机床进行动力学预测。然而，有限元模型的阶数非常大，整个机床的响应分析也需要大量的计算。为了进一步减少计算时间，有研究者提出用响应耦合子结构分析建立机床运动学模型。理论上，通过建立精确的运动学模型，可以精确地预测刀尖的动态特性。然而，机床关节的刚度、阻尼等广泛参数严重影响了运动学模型的精度，因为这些参数大多难以测量甚至无法测量。为了快速预测与位置和速度相关的刀尖动力学，一些研究人员尝试建立机器学习回归模型。然而，机器学习是一种数据驱动的方法，需要大量的标记数据来训练模型，否则会出现过拟合现象，导致模型的泛化能力和鲁棒性较差。在实际制造业中，有标签的工业数据是有限的，也是极其珍贵的。因此，本领域迫切需要提出一种基于少量有标签样本就能预测与位置和速度相关刀尖动力学的模型，实现准确快速预测动力学特征的同时，大大减少人工实验标注样本的工作量。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于改进图卷积网络的机床刀尖动力学特征预测方法，该方法能够实现少样本下的刀尖点动力学特征预测，有效减少人工实验标注样本的工作量，通过增加无监督损失，可以避免模型在少样本条件下的过拟合，具有预测精度高，泛化能力强等优点。为实现上述目的，本专利技术一方面提出一种基于改进图卷积网络的机床刀尖动力学特征预测方法，包括以下步骤：S1.选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置-速度相关刀尖点主模态参数，获得样本数据标签；S2.将有标签的样本数据和无标签的待测数据转换为图结构数据输入到图卷积网络中，得到任意位置-速度下的刀尖点主模态参数，通过预测的主模态参数可以计算获取刀尖点频响函数，进而计算铣削稳定lobe图来预测加工稳定性；所述图卷积网络在图卷积层的基础上通过增加转置图卷积层得到，所述转置图卷积层用于实现对图卷积层所编码输出的节点特征进行解码，重构损失函数。作为进一步优选地，采用以下方式进行图结构数据转换：将有标签的样本数据和无标签的待测数据作为图节点；对固定的图节点vi，遍历其他所有图节点，获取与其最近的k近邻，构建图节点之间的边；求解图结构数据的边权重，即图的邻接矩阵Aij；图节点的特征、边和边权重即构成图结构数据。作为进一步优选地，任意位置-速度下的刀尖点主模态参数的获取具体包括训练过程和预测过程：训练过程图结构数据首先经过图卷积层进行编码，将编码后的节点特征输入到转置图卷积层中，获得解码后的节点特征；分别对编码后的有标签节点求解有监督损失、对解码后的所有节点求解无监督损失，联合正则化项构建损失函数对图卷积网络进行训练，直至收敛；预测过程利用训练好的图卷积网络对无标签节点进行预测，得到任意位置-速度下的刀尖点主模态参数。作为进一步优选地，训练过程具体包括：图结构数据首先经过两层图卷积层进行编码，第l层的图卷积变换用下式构建：其中，图卷积网络第l层的输入为Hl，第l+1层的输出为Hl+1；表示归一化后的邻接矩阵Aij，为一个对角矩阵并且Wl代表图卷积网络第l层的训练权重矩阵；σ()表示激活函数；对经过编码后的有标签节点求解损失，作为有监督损失Lsup，并采用下式构建：其中，X为特征，为节点预测值，Yi为实际标签，θ代表所有的模型训练参数，m为有标签节点数；将编码后的节点特征输入到两层转置图卷积层中，获得解码后的节点特征，第l层的转置图卷积变换可用下式构建：其中，(WT)l为转置图卷积网络的训练权重矩阵，pooling()表示池化操作；对解码后的节点特征求解损失，作为无监督Lreg，并采用下式构建：其中，表示解码后的节点特征，X表示节点的原始特征，n为图结构数据的节点数；基于改进后的损失函数进行迭代训练，直至模型收敛；改进后的损失函数用L表示，包含有监督损失、无监督损失以及L2正则化项，并采用下式构建：L＝Lsup+αLreg+βL2其中，α为无监督损失的权重系数，β为L2正则化项的权重衰减系数。作为进一步优选地，k近邻的模型为：其中，vi,vj为图节点，x1i,x2i,x3i代表机床的(x,y,z)坐标，si代表主轴转速，{x1i,x2i,x3i,si}为特征数据。作为进一步优选地，图节点之间的边的构建规则为：其中，Nk(vi)代表图节点vi的k个最近邻集合，Eij＝1表示图节点vi和图节点vj之间存在边连接，Eij＝0表示图节点vi和图节点vj是不相连的。作为进一步优选地，邻阶矩阵Aij用公式表示为：其中，采用多层感知机MLP进行邻阶矩阵求解，欧式距离|xi-xj|用于测量节点之间的相似性，节点的自相似性可以表示为Aij＝1。本专利技术另一方面提供了一种基于改进图卷积网络的机床刀尖动力学特征预测系统，包括：计算机可读存储介质和处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读本文档来自技高网...

【技术保护点】
1.一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，包括如下步骤：/nS1.选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置-速度相关刀尖点主模态参数，获得样本数据标签；/nS2.将有标签的样本数据和无标签的待测数据转换为图结构数据输入到图卷积网络中，得到任意位置-速度下的刀尖点主模态参数；所述图卷积网络在图卷积层的基础上通过增加转置图卷积层得到，所述转置图卷积层用于实现对图卷积层所编码输出的节点特征进行解码，重构损失函数。/n

【技术特征摘要】
1.一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，包括如下步骤：
S1.选取样本数据，获取静止状态下机床不同位置下的刀尖点频响函数以及切削过程中的颤振频率和轴向极限切深，求解切削状态下的位置-速度相关刀尖点主模态参数，获得样本数据标签；
S2.将有标签的样本数据和无标签的待测数据转换为图结构数据输入到图卷积网络中，得到任意位置-速度下的刀尖点主模态参数；所述图卷积网络在图卷积层的基础上通过增加转置图卷积层得到，所述转置图卷积层用于实现对图卷积层所编码输出的节点特征进行解码，重构损失函数。


2.根据权利要求1所述的一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，采用以下方式进行图结构数据转换：
将有标签的样本数据和无标签的待测数据作为图节点；
对固定的图节点vi，遍历其他所有图节点，获取与其最近的k近邻，构建图节点之间的边；
求解图结构数据的边权重，即图的邻接矩阵Aij；
图节点的特征、边和边权重即构成图结构数据。


3.根据权利要求1所述的一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，任意位置-速度下的刀尖点主模态参数的获取具体包括训练过程和预测过程：
训练过程
图结构数据首先经过图卷积层进行编码，将编码后的节点特征输入到转置图卷积层中，获得解码后的节点特征；
分别对编码后的有标签节点求解有监督损失、对解码后的所有节点求解无监督损失，联合正则化项构建损失函数对图卷积网络进行训练，直至收敛；
预测过程
利用训练好的图卷积网络对无标签节点进行预测，得到任意位置-速度下的刀尖点主模态参数。


4.根据权利要求3所述的一种基于改进图卷积网络的机床刀尖动力学特征预测方法，其特征在于，所述训练过程具体包括：
图结构数据首先经过两层图卷积层进行编码，第l层的图卷积变换用下式构建：



其中，图卷积网络第l层的输入为Hl，第l+1层的输出为Hl+1；表示归一化后的邻接矩阵Aij，为一个对角矩阵并且Wl代表图卷积网络第l层的训练权重矩阵；σ()表示激活函数；
对经过编码后的有标签节点求解损失，作为有监督损失Lsup，并采用下式构建：

【专利技术属性】
技术研发人员：裘超超，李伟业，周焮钊，李斌，毛新勇，贺松平，刘红奇，彭芳瑜，余凡，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42